CN119091304B 一种耦合多尺度卷积与双分支网络的芒果单木提取方法 （哈尔滨航天恒星数据系统科技有限公司）

产业开发区科技创新城创新路1616号一种耦合多尺度卷积与双分支网络的芒果一种耦合多尺度卷积与双分支网络的芒果包括构建共享模块提取输入数据的浅层特征与多尺度骨干网络特征提取模型D_E_MCAN对次浅语义特征与边缘特征，结合构建的总体损失函2步骤S4构建共享模块Share_Stem的方法为应用两个改进的轻量主干MobileNetV3初始模块M2提取的次浅层特征F2将输入语义S5.1.构建增强型多尺度卷积注意力机制E_MCA注意力模块，E_MCA注意力模块的数学其中，x为输入特征；Conv1x1为1x1卷积；DWConv5x5为x初始进行的5x5深度卷积；att为E_MCA注意S5.3.应用步骤S5.2构建的空间注意力机制E_MCASpatial注意力模块构建基础构造其中，BatchNorm为批归一化，E_MCAspa_att为步骤S5.2构建的空间注意力机制E_MCA3含一个下采样模块和一堆构建模块以及批归一化，第一个阶段，初始下采样模块为初始采样模块参考ViT架构的stem部分并采用重叠的补丁OverlapPatchEmbed模块，第二个阶S6.构建边缘检测分支，将步骤S4得到的浅层特征与步骤S5得到的多尺度语义特征进采用双线性插值对多尺度边界特征进行上采样并连接到一起，应用一个1x1的2d卷积S_multi_scale为语义分割网i是第i个样本真实标签，取值0或1，是模型预测的第i个样本概4应用一个简单的1x1卷积分类头预测步骤S6中所述的预测边缘掩膜Bm；S7.1.构建双分支特征融合模块主动融合解码器连接步骤S5构建的语义分割分支和步双分支特征首先进行全局平均池化，是将语义特征与边缘特征进行融表达式为：再通过通道级拼接的逆运算，将其分为语义分支权重向量ws_att和边缘分支权重向量S7.2.设置步骤S7的正则化损失函数应用双向一致性损失函数，包含边界到语义一致设置3x3核大小的sobel边缘检测算子C，分别在融合语义预测图Fm上进行X轴与Y轴上5S7.5.正则化函数Lreg为边界到语义一致性损失函数与语义S7.6.增强型边缘检测_语义分割双分支膨胀卷积网络D_E_BSNet至此组装完成，总体S7.7.应用一个简单的1x1分类头做整体的最终预测掩膜Fm；S8.将步骤S3得到的输入数据集，输入到步骤S7构2.根据权利要求1所述的一种耦合多尺度卷积与双分支网络的芒果单木提取方法，其S1.1.设置采集复杂情景的芒果林木的无人机影像，复杂情景中的情景包括背景精准农业模块进行初步识别，得到冠层*.SHP格式的矢量作为复杂情景下芒果单株冠层标3.根据权利要求2所述的一种耦合多尺度卷积与双分支网络的芒果单木提取方法，其6CIVE＝0.441r_0.881g+0.385b+18.78745；S2.2.利用ENVI5.6.3计算步骤S2.1得到的指数数4.根据权利要求3所述的一种耦合多尺度卷积与双分支网络的芒果单木提取方法，其5.根据权利要求4所述的一种耦合多尺度卷积与双分支网络的芒果单木提取方法，其特征在于，步骤S8为将步骤S3得到的输入数据集I输入到步骤S7构建的组合模型进行模型7构，Freudenberg等应用深、浅层U_Net结合，取得了较高精度。宋昊昕应用PSPNet、关方法讨论将双分支网络与多尺度卷积思想应用到单木冠层分8[0013]S6.构建边缘检测分支，将步骤S4融合步骤S5得到的多尺度语义特征与步骤S6得到的边缘特征，结合构建的总体损失函数，[0016]S9.利用步骤S8得到的最优芒果单株[0020]S1.2.对步骤S1.1采集的无人机影像，对芒果单株冠层进行面绘制，应用9[0047]进一步的，步骤S4构建共享模块Share_Stem的方法为应用两个改进的轻量主干DWConv5×5为x初始进行的5×5深度卷积；att为E_MCA注意[0059]S5.3.应用步骤S5.2构建的空间注意力机制E_MCASpatial注意力模块构建基础[0061]其中，BatchNorm为批归一化，E_MCAspa_att为步骤S5.2构建的空间注意力机制E_[0064]其中，y'out为上一步输出特征这一支骨干网络中层次结构的四个阶段提取的特征，先分别送入3×3卷积层、组归一化层和[0078]其中，FS_multi-scale为语义分割网络提取的多尺度特征，Conv3×3为3×3卷积，[0102]S7.5.正则化函数Lreg为边界到语[0109]根据权利要求8所述的一种耦合多尺度卷积与双分支网络的芒果单木提取方法，其特征在于，步骤S8为将步骤S3得到的输入数据集I输入到步骤S7构建的组合模型进行模[0112]本发明所述的一种耦合多尺度卷积与双分支网络的芒果单木提取方法，能高效、[0113]图1为本发明所述的一种耦合多尺度卷积与双分支网络的芒果单木提取方法的流[0122]图10为本发明所述的最优芒果单株冠层提取模型精度评价图，其中(a)为训练集施方式，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他具体实施方[0133]S1.2.对步骤S1.1采集的无人机影像，对芒果单株冠层进行面绘制，应用[0163]进一步的，步骤S4构建共享模块Share_Stem的方法为应用两个改进的轻量主干DWConv5×5为x初始进行的5×5深度卷积；att为E_MCA注意[0178]S5.3.应用步骤S5.2构建的空间注意力机制E_MCASpatial注意力模块构建基础[0180]其中，BatchNorm为批归一化，E_MCAspa_att为步骤S5.2构建的空间注意力机制E_[0183]其中，y'out为上一步输出特征这一强多尺度骨干网络(Dilatedenhancedmultiscaleconvolutionattentionbackbone，[0195]S6.构建边缘检测分支，将步骤S4支骨干网络中层次结构的四个阶段提取的特征，先分别送入3×3卷积层、组归一化层和[0200]其中，FS_multi-scale为语义分割网络提取的多尺度特征，Conv3×3为3×3卷积，融合步骤S5得到的多尺度语义特征与步骤S6得到的边缘特征，结合构建的总体损失函数，[0233]进一步的，步骤S8为将步骤S3得到的输入数据集I输入到步骤S7构建的组合模型像素数；假阳性(falsepositive，FP)预测为真、实际为假的像素数；假阴性(false[0246]S9.利用步骤S8得到的最优芒果单株[0256]由表3可以得到参数量对比结果，可以直观得到结论：Deeplabv3+是基于要求的范围内的所有技术方